[论文解读] Potential Features of ICU Admission in X-ray Images of COVID-19 Patients

Gomes Dps, Anwaar Ulhaq+6 more|arXiv (Cornell University)|Sep 26, 2020

COVID-19 diagnosis using AI参考文献 46被引用 4

一句话总结

本文提出一种方法，通过基于深度学习的特征提取流程结合低复杂度可解释模型，识别与COVID-19患者入住ICU相关的X射线图像中的预测性语义特征。该方法识别出一组少量的肺部区域特征，可解释严重程度结果中的大部分方差，即使在标注数据有限的情况下，仍表现出统计可分性和可解释性。

ABSTRACT

X-ray images may present non-trivial features with predictive information of patients that develop severe symptoms of COVID-19. If true, this hypothesis may have practical value in allocating resources to particular patients while using a relatively inexpensive imaging technique. The difficulty of testing such a hypothesis comes from the need for large sets of labelled data, which need to be well-annotated and should contemplate the post-imaging severity outcome. This paper presents an original methodology for extracting semantic features that correlate to severity from a data set with patient ICU admission labels through interpretable models. The methodology employs a neural network trained to recognise lung pathologies to extract the semantic features, which are then analysed with low-complexity models to limit overfitting while increasing interpretability. This analysis points out that only a few features explain most of the variance between patients that developed severe symptoms. When applied to an unrelated larger data set with pathology-related clinical notes, the method has shown to be capable of selecting images for the learned features, which could translate some information about their common locations in the lung. Besides attesting separability on patients that eventually develop severe symptoms, the proposed methods represent a statistical approach highlighting the importance of features related to ICU admission that may have been only qualitatively reported. While handling limited data sets, notable methodological aspects are adopted, such as presenting a state-of-the-art lung segmentation network and the use of low-complexity models to avoid overfitting. The code for methodology and experiments is also available.

研究动机与目标

• 识别胸部X光图像中可预测COVID-19患者后续入住ICU的影像学特征。
• 开发一种方法，即使在小规模且标注良好的数据集上，也能利用深度学习提取可解释的语义特征。
• 通过结合最先进的肺部分割网络与低复杂度统计模型，减少过拟合并增强模型可解释性。
• 通过在另一份无关数据集上测试特征选择能力，验证该方法的泛化能力。
• 提供一个统计框架，定量支持临床观察到的与疾病严重程度相关的肺部受累模式。

提出的方法

• 使用在肺部疾病识别任务上预训练的深度神经网络，从X光图像中提取高层语义特征。
• 采用最先进的肺部分割网络分离肺部区域，以提高特征的相关性并减少噪声。
• 使用低复杂度模型（如线性模型或决策树）分析提取的特征，以限制过拟合并增强可解释性。
• 通过统计分析评估特征重要性，识别出与ICU入院结果关联最强的区域或模式。
• 在另一份包含临床记录的无关数据集上验证该方法，以测试其检索与所学特征匹配图像的能力。
• 发布完整的方法论和实验代码，以支持可复现性及进一步研究。

实验结果

研究问题

• RQ1 胸部X光图像中的哪些语义特征最能预测COVID-19患者的ICU入住？
• RQ2 结合深度特征提取与低复杂度模型，能否在标注数据有限的情况下有效识别与严重程度相关的模式？
• RQ3 所识别的特征是否与临床笔记中提示的解剖学上合理的肺部区域相对应？
• RQ4 少数关键特征在多大程度上解释了ICU入院结果的方差？
• RQ5 该方法是否能泛化到无关数据集，表明所学特征具有鲁棒性和可迁移性？

主要发现

• 仅少数语义特征即可解释后续被收入ICU与未被收入ICU的患者之间大部分的方差差异。
• 该方法成功识别出与特定肺部区域相对应的特征，其有效性通过在包含与病理相关临床记录的数据集中检索到的图像得到验证。
• 使用低复杂度模型显著减少了过拟合，同时在数据有限的情况下保持了良好的预测性能。
• 所提出的方法在严重症状患者与非严重症状患者之间表现出统计可分性，支持X光特征中包含预测信息的假设。
• 该方法在无关数据集上也表现出泛化能力，证实其能够检索到与所学特征匹配的图像，表明所识别模式具有临床相关性。
• 开源的代码和模型支持可复现性，并推动在低数据环境下可解释医学影像AI的进一步发展。